Fusion — кого проверить первым?

Fusion — аналитический инструмент для AML-аналитика банка. Он превращает транзакционную сеть в приоритизированную очередь проверки и отвечает на главный вопрос:

Кого из клиентов проверять первым и почему?

На исходном наборе Fusion анализирует 2 248 участников, строит направленный граф переводов, определяет роли, кластеры и Top-20 по приоритету. Основные расчёты выполняются локально и не зависят от LLM.

---

1. Что решает продукт

AML-аналитик получает список уже известных клиентов и должен вручную восстановить, куда идут деньги, где они концентрируются, через какие узлы проходят и кого проверять дальше.

Fusion автоматизирует этот этап.

Система:

• строит направленный граф денежных переводов;
• выделяет структурные роли участников;
• группирует сеть по кластерам;
• формирует Top-20 узлов для первичной проверки;
• показывает входящие и исходящие связи, суммы и количество операций;
• объясняет, из каких факторов сформирован priority score;
• показывает ограничения наблюдаемости данных.

Для выбранного GID аналитик видит:

• роль;
• место в общем рейтинге;
• priority score;
• входящие и исходящие денежные потоки;
• кластер;
• объяснение роли и приоритета;
• ограничения данных.

Бизнес-результат

Fusion сокращает время на:

• ручную трассировку цепочек переводов;
• поиск точек консолидации;
• поиск транзитных и распределяющих узлов;
• поиск структурно значимых участников;
• первичную приоритизацию AML-проверки.

Система не принимает решение о виновности клиента и не заменяет AML-аналитика.

Fusion формирует аналитическую гипотезу и показывает, куда смотреть в первую очередь. Решение об углублённой проверке и дальнейших действиях остаётся за AML-аналитиком.

---

2. Как запустить

Требования:

• Python 3.12
• Node.js 22
• Git

Команды выполнять из корня проекта.

1. Получить код и установить зависимости

git clone https://github.com/BAITC-Hacks/hack-6480017d-fusion.git Fusion
cd Fusion

python3.12 -m venv .venv
.venv/bin/python -m pip install -r backend/requirements-dev.txt
npm --prefix frontend ci

2. Положить исходные данные в data/

data/
├── nodes.parquet
├── edges.parquet
└── transactions.parquet

3. Рассчитать результаты и запустить приложение

macOS / Linux

source .venv/bin/activate

Windows PowerShell

.venv\Scripts\Activate.ps1

:: Windows CMD .venv\Scripts\activate.bat

.venv/bin/python -m backend.pipeline
.venv/bin/python scripts/run_local.py

Открыть:

http://127.0.0.1:5173

Проверка уже запущенного приложения:

.venv/bin/python scripts/run_local.py --check

Для основного расчёта и интерфейса OpenAI-ключ не требуется.

Если хотите проверить Fusion на другом наборе данных, в интерфейсе нажмите «Данные» и загрузите либо 3 файла Parquet (nodes.parquet, edges.parquet, transactions.parquet), либо один ZIP-архив, содержащий эти три файла.

---

3. Какие технологии используются

flowchart LR
    D[3 Parquet] --> A[Проверка данных]
    A --> G[Направленный граф]
    G --> C[Признаки, роли, priority]
    G --> L[Louvain clustering]
    C --> F[3 CSV]
    C --> B[FastAPI]
    L --> B
    B --> U[React + Cytoscape]
    B --> O[OpenAI explanation]
    O --> U

Основной стек:

• Python 3.12
• pandas / PyArrow — обработка parquet
• NetworkX / SciPy — графовая аналитика
• FastAPI — backend
• React + TypeScript + Vite — frontend
• Cytoscape.js — визуализация графа
• Louvain — кластеризация
• OpenAI Responses API — дополнительное объяснение рассчитанных фактов

AI не определяет роли и не рассчитывает priority score. Если OpenAI недоступен, основной pipeline, интерфейс и CSV продолжают работать.

Структура проекта:

backend/     — расчёты, API, AI
frontend/    — интерфейс и граф
data/        — исходные parquet
artifacts/   — результаты расчёта
docs/        — методика, аудит и demo

---

4. Как проверить решение

Шаг 1. Запустить полный расчёт

.venv/bin/python -m backend.pipeline

После запуска должны появиться:

artifacts/nodes_roles.csv
artifacts/clusters.csv
artifacts/top_nodes.csv
artifacts/run_report.json

Ожидаемый результат на исходном наборе:

• nodes_roles.csv — 2 248 строк;
• clusters.csv — 88 кластеров;
• top_nodes.csv — не менее 20 узлов;
• обязательные поля заполнены;
• расчёт укладывается в лимит 5 минут.

Шаг 2. Запустить автоматические проверки

.venv/bin/python -m backend.audit
.venv/bin/python -m unittest discover -s backend/tests -v
.venv/bin/python -m pip check
npm --prefix frontend run build

Актуальный подтверждённый прогон:

• 34 проверки данных;
• 99/99 backend-тестов;
• frontend production build — успешен.

Шаг 3. Проверить интерфейс за 3 минуты

В сводке должно быть:

• 2 248 участников;
• 3 119 связей;
• 4 840 транзакций;
• 81 seed;
• Top-20 по приоритету проверки.

Проверочный GID:

100000004015047100

Ожидается:

• роль: consolidator;
• priority: 0.625090;
• место: 5 из 2248;
• 9 плательщиков / 1 получатель;
• 919 104 / 69 195 KZT;
• видны пять составляющих priority;
• видны полные входящие и исходящие связи.

Проверка границы данных:

100000008175078100

Должен отображаться статус depth=4 и понижающий множитель наблюдаемости.

Проверка изолированного seed:

100000000456947100

Должен отображаться нулевой приоритет и отсутствие наблюдаемых потоков без ошибочной классификации как terminal.

Проверка кластера:

• выбрать Cluster 0;
• ожидается 278 участников;
• 1 seed;
• внутренний оборот 31 237 334,24 KZT;
• доступны лидеры и гипотеза кластера.

Главный критерий проверки

После выбора любого GID должно быть понятно:

Почему этот участник получил такую роль и почему AML-аналитику предлагается проверить его с таким приоритетом?

---

Документация

• docs/METHODOLOGY.md — правила ролей и priority;
• docs/DATA_AUDIT.md — аудит данных;
• docs/DEMO.md — сценарий демонстрации;
• docs/PROGRESS.md — текущий статус проекта.